[論文レビュー] Dermoscopic Image Analysis for ISIC Challenge 2018

Jinyi Zou, Xiao Ma+2 more|arXiv (Cornell University)|Jul 24, 2018

Cutaneous Melanoma Detection and Management参考文献 1被引用数 13

ひとこと要約

本論文は、ISIC Challenge 2018における皮膚鏡画像解析のためのマルチタスクディープラーニング手法を提示している。病変分類には変更を加えたPSPNetを用い、病変のセグメンテーションと特徴の検出を実施し、多クラス疾患分類にはDenseNet-169を適用した。データ拡張と階層的トレーニングを用いることで、セグメンテーションの検証におけるJaccard指数は0.780、疾患分類のバランス精度は0.751を達成した。

ABSTRACT

This short paper reports the algorithms we used and the evaluation performances for ISIC Challenge 2018. Our team participates in all the tasks in this challenge. In lesion segmentation task, the pyramid scene parsing network (PSPNet) is modified to segment the lesions. In lesion attribute detection task, the modified PSPNet is also adopted in a multi-label way. In disease classification task, the DenseNet-169 is adopted for multi-class classification.

研究の動機と目的

• ISIC Challenge 2018における皮膚鏡画像解析のための自動化されたディープラーニングモデルの開発。
• マルチスケールの文脈的特徴とスキップ接続を備えた変更版PSPNetを用いて、病変分類の精度を向上。
• PSPNetのマルチラベル適応を用いて、複数の皮膚鏡的特徴（例：メラニンネットワーク、ストライプ）の同時高精度検出を実現。
• 疾患分類における深刻なクラス不均衡を解消するため、階層的分類とデータ拡張を採用。
• 病変分類、特徴検出、多クラス疾患分類の3つのISIC 2018タスクにおいて、最先端の性能を達成。

提案手法

• 複数の層からの特徴を連結するスキップ接続を備えた、ResNetをバックボーンとする変更版PSPNetを用い、分類のための細粒度のテクスチャ表現を強化。
• マルチスケールのピラミッドプーリングとスキップ接続を適用し、異なる受容野における文脈的情報を統合。
• セグメンテーションマスクの微調整と最大連結成分の保持を目的として、条件付きランダムフィールド（CRF）およびウォーターシェッドアルゴリズムを後処理として適用。
• 各特徴ごとのマスクでトレーニングすることで、変更版PSPNetをマルチラベル病変特徴検出に適応させ、予測を分類済み病変領域に制限。
• 疾患分類のバックボーンとしてDenseNet-169を採用し、ランダムな水平・垂直反転およびスケール変更（0.8–1.2）を含むデータ拡張を実施。
• クラス不均衡に対処するための2つの戦略を実装：階層的分類（3段階構造）とクラスバランスの取れたデータ拡張（1クラスあたり20,000サンプル）。

実験結果

リサーチクエスチョン

• RQ1 限られたトレーニングデータのもとで、ディープラーニングモデルが皮膚鏡画像における病変分類をどのようにして頑健に達成できるか？
• RQ2 PSPNetのマルチラベル適応は、高精度で複数の皮膚鏡的特徴を同時に検出できるか？
• RQ3 多クラス皮膚鏡的疾患分類における深刻なクラス不均衡に対処するための最も効果的な戦略は何か？
• RQ4 階層的分類とデータ拡張のどちらが、希少な皮膚がんタイプのバランス精度向上に効果的か？
• RQ5 CRFやウォーターシェッドなどの後処理技術は、臨床的画像解析における分類品質をどの程度向上させるか？

主な発見

• 変更版PSPNetは、後処理なしで検証セットでJaccard指数0.775、後処理ありで0.780を達成し、CRFおよびウォーターシェッドフィルタリングの有効性を示した。
• 病変特徴検出において、モデルは検証性能として0.40を達成し、個々のスコアは「ネガティブネットワーク」で0.617から「ミリア様嚢胞」で0.779まで変動した。
• DenseNet-169を用いた階層的分類アプローチは、検証セットでバランス精度0.621を達成した。
• 1クラスあたり20,000サンプルの直接的データ拡張戦略は、より高いバランス精度0.751を達成し、階層的手法を上回った。
• 色のジャマレーションは分類にほとんど利益をもたらさなかったが、色の一定性は疾患分類において優先され、臨床的関連性を保持した。
• 病変分類の結果をマスクとして統合することで、特徴検出の局所化精度が向上し、予測を病変領域に制限した。